随着信息处理技术的飞速发展，工业装备健康状态的诊断方法也得到了不断丰富。从传统的分析方法，如相关分析、时域波形、轴心轨迹、AR谱分析、FFT谱分析，到一些较新的分析方法，如主分量分析、时频分析、全息谱理论、轴心轨迹的计算机模拟等，均被应用于装备健康状态诊断领域，并取得了很好的应用效果；而且这种借鉴和发展的速度还在不断加快，一些信息领域刚推出的新方法很快就被应用到诊断领域，如分形理论、混沌理论、小波分析等。以上这些方法的应用，再加上各个企业积累起来的丰富诊断经验和故障实例，目前在工业装备常见故障的定性识别上人们已有相当的把握；但是，随着经济的快速发展，企业对工业装备健康状态诊断技术提出了更高的要求，除故障的定性诊断外，还提出了其他要求，一是诊断的快捷化和智能化，二是诊断的定量化。在诊断的智能化方面，最近几年，人工智能领域的一些最新研究成果在健康状态诊断领域得到了较好的应用，有效地提高了诊断的智能化水平和获取诊断结论的速度。例如，西安交通大学机械学院研究所开发的机械诊断快速响应神经网络、ENTEK公司和CSI公司的机械诊断专家系统等可对机械设备的常见故障进行自动诊断和识别，取得了较好的应用效果。诊断的定量化对于设备的安全运行并最大限度地挖掘设备潜力意义重大，但由于对工业装备的运行状态缺乏科学的定量评估手段，因此这方面所做的工作还很不够，尚不能满足生产实际的需要 ^[28～36] 。

工业装备健康状态基本诊断过程如下。

1. 信号提取

装备长时间运行容易出现故障，为了监控这些装备，通常利用数据采集装置采集它们运行时的数据并传送给PC，且对其进行一系列处理得出结论。工业装备的振动信号能够准确反应工业装备的运行状况，通常诊断过程中会通过安装在装备上的传感器装置采集其振动信号，并传送到PC上，对其做分析，得出故障结论。

2. 信号预处理

预处理阶段可以包含信号去噪、特征提取等操作。故障特征提取是健康状态诊断的核心，它通过对原始信号的分析、处理后提取故障特征信息，为模式识别和健康状态诊断服务。在机械方面，故障特征的提取可以综合频谱分析在提取平稳信号特征方面的优势及小波分析在提取非平稳信号方面的优势，对机械的振动特征进行有效提取。

3. 模式识别

现有智能诊断模型的诊断能力完全依赖于知识库中现有的知识，由于收集到的故障实例或经验知识总是有限的，所以当一个新的异常征兆出现时，在知识库中找不到最佳匹配，很可能发生漏诊或误诊，从而严重影响诊断结果的可靠性，也将影响维修方案的制订。解决这一问题的一个有效途径是将多种不同的智能技术结合起来，混合诊断系统是智能故障研究的一个发展趋势。 pqMlcNo+KqY4g0kuu70tLtNpitcopXvQP/Sm8+cy/p2Iz2vKF5xs3VR6x5eWxM1e